基于混合像元分解植被類型提取

胡艷 楊瑞 戚玉嬌

摘要：以塔河地區(qū)的HSI高光譜遙感數據為基礎，結合相關的統(tǒng)計學知識，利用非監(jiān)督分類法和混合像元分解法分別提取森林植被類型，并對其進行精度檢驗。得出非監(jiān)督分類總體精度為70.78%，混合像元分類的精度為76.87%。結果表明混合像元分解定量解算植被類型是更有效的方法。

關鍵詞：HSI;混合像元分解;植被類型

A Classification of HSI Vegetation Types Based on Mixed Image Elements——A Case Study of Tahe County， Heilongjiang Province

HU Yan，YANG Rui*，QI Yu?jiao

（College of Forestry，Guizhou University， Guiyang， Guizhou550025， China）

Abstract：Based on the hyperspectral remote sensing image （HSI） data of the Tahe County， Heilongjiang Province， and combined with relevant statistical knowledge， unsupervised classification method and mixed-pixel decomposition method are employed to extract the forest vegetation types. Accuracy test is conducted through the second class survey data of Tahe in 2012. The accuracy of unsupervised classification method is 70.78% and that of mixed pixel decomposition method is 76.87%. The result show that mixed pixel decomposition of quantitative elements is more effective to calculate the vegetation types.

Key words：HSI; mixed pixel decomposition method;forest vegetation types

傳統(tǒng)的森林類型識別法人工目視解譯雖然充分發(fā)揮了技術人員的知識水平，靈活性強，但是時效性差、工作量大，對于高精度的多類性識別難度大[1]。計算機分類法相對于傳統(tǒng)的遙感識別法有了很大的改進?；趯＜抑R的決策樹分類法雖然提高了分類精度和工作效率，但是獲取決策知識點過程復雜，不易實現(xiàn);對于面向對象的分類方法對圖像的分辨率要求較高，不適合于HSI高光譜低分辨率的遙感圖像。

HSI遙感影像中的像元有的是包含著單一樹種的純像元，有的是包含著不同的樹種類型的混合像元，需進入內部分解混合像元。混合像元分解的實質就是從多地面光譜混合數據中提取各種成分和它所占比例。能解決高光譜影像分辨率低的問題[3]。本研究以大興安嶺塔河縣有林地HSI遙感影像數據為例，利用混合像元分解法提取森林類型信息。為森林資源的合理經營和生物多樣性研究提供有效的數據支持。

1研究區(qū)域概況和方法

1.1研究區(qū)域概況

塔河縣地處黑龍江省的北部，是位于中國最北邊的兩個縣之一。東邊與呼瑪縣相接，西邊與漠河縣相鄰，南面依附著新林區(qū)及呼中區(qū)，北面和俄羅斯隔江而望[4]。年平均氣溫-2.4℃，溫差較大。據統(tǒng)計，塔河縣內平均無霜期僅有98 d，年日照時數為2015～2865 h。每年的平均降水量為463.2 mm，降雨量充足。區(qū)域內植被類型豐富，分布著落葉松、樟子松、楊樹、白樺等十余種樹種，以落葉松為主的針葉林帶分布在北面，南部是針葉闊葉混交林帶逐漸向蒙古櫟的溫帶闊葉林過渡區(qū)域。森林資源獨特，森林覆蓋率高達81%。

1.2研究方法

1.2.1數據處理

本研究所用的是大興安嶺地區(qū)原始的HSI 2級產品數據。HJ-1/HSI高光譜遙感傳感器搭載在HJ-1-A平臺上，對地成像寬為50 km，像元分辨率為100 m×100 m[5]。大氣的散射、吸收、地面地形起伏以及傳感器本身產生誤差會對成像結果產生影響，因此，獲取的遙感圖像需要進行預處理。

1.2.2去條帶

HJ-1A星中的藍綠波段容易受到大氣散射的影響，HSI數據波段中出現(xiàn)了明顯的傾斜條帶，遮擋了圖像的部分紋理信息，影響了數據應用的精度[6]?；贖SI數據進行植被類型分類的研究首先要對圖像做去條帶處理。確定圖像兩個頂點的坐標值，求取兩點所連直線和法線之間夾角的正切值，利用反三角函數解算旋轉夾角[7]。圖像旋轉垂直后，運用列像元的平均值、標準差等之間的差異，分波段進行線性化修正像元，去除條紋的影響，結果如圖2。

1.2.3傳感器定標與大氣校正

光譜成像儀工作原理是太陽輻射透過大氣層以某種特定的方式入射到地物體的表面，然后再反射回傳感器。本研究要通過HSI遙感影像獲取塔河縣物體表面的光譜特性，就必須從遙感影像中提取目標信息。在本次研究中對影像進行大氣校正主要是在ENVI軟件下的FLAASH功能模塊實現(xiàn)的。在FLAASH中沒有直接的校正HSI遙感影像的參數，需要根據HJ-1/HSI的參數特點進行大氣校正。在FLAASH大氣校正過程中需要輸入的參數包括（圖3）傳感器的類型、傳感器高度及時間、影像中心位置、地面的平均高程、空間分辨率、所用的氣溶膠模型、大氣模型及大氣能見度等。完成大氣校正。

1.2.4HSI圖像的拼接與裁剪

本次研究所用的大興安嶺塔河縣的影像圖是由很多景HSI遙感影像數據組成，研究對多景遙感影像進行拼接。圖像拼接是將具有相同地理坐標的圖像拼成一幅圖。用ENVI5.1中Map模塊下Mosaicking功能進行基于地理坐標的圖像拼接。由于拼接的影像有多余的的部分，需要用塔河縣的邊界shape格式的矢量文件進行裁剪。在ENVI5.1中，打開矢量數據，矢量數據的地理坐標信息應與遙感圖像一致，并將矢量數據作為目標區(qū)域ROI。得到研究區(qū)域數據，并按105、70、40波段組合成彩色圖像。

1.3非監(jiān)督分類法提取植被類型

非監(jiān)督分類提供了兩種算法[8]，一種是Iso Data算法，另一種是K—Means算法。本實驗采用K—Means算法和聚類分析法提取植被類型，K—Means算法通過輸入k個聚類數和有n個數據對象的數據庫。本次研究中K取9，n取值20進行分類（圖4）。

1.2.5非監(jiān)督分類法森林植被類型分類評價

分類精度（Overall Accuracy）定義為正確的分類像元數目除以總的像元數目。本實驗采用混淆矩陣方法對分類結果進行精度檢驗。在ENVI5.1軟件中，選擇Classification—Post Classification—Confusion Matrix—Using Ground Truth ROI，得出本次分類精度檢驗表中70.78%。

1.4混合像元線型模型分解

1.2.6模型簡介

混合像元分解是通過進入像元內部，將像元分解為不同的終端單元（Endnumber）即不同的地物類型，并求出這些終端單元所占的比例即地物所占比例。HSI遙感影像中的像元有的是包含著單一樹種的純凈像元，有的是包含了不同的樹種類型信息的混合像元。近幾年，國內相繼提出了幾種不同的分解模型[9]。

幾何光學模型：將像元表示表示為樹冠C、陰影T、背景地面G、樹陰下的地面Z這四個Endnumber，它們在像元中所占的面積是一個如下的數學函數。

R=（AcRc+ArRr+AGRG+AZRZ）/A

其中，R為混合像元的反射率，A為混合像元面積，Ac、Ar、AG、AZ分別是4個Endnumber在像元中所占的比例，Rc、Rr、RG、RZ分別為4個Endnumber的反射率。

隨機幾何模型：是幾何光學模型的一個典型，不同的是它把類型的幾何參數作為隨機變量[10]。

概率模型：以概率統(tǒng)計知識為基礎，應用統(tǒng)計特征分析來計算方差，得到協(xié)方差矩陣，利用簡單的馬氏距離來判斷Endnumber的比例，分類精度低。

模糊模型：模糊模型：基于模糊理論與統(tǒng)計特征分析，把每個像元分到一類或是幾類中，分類模糊，不能對每個像元準確分類。

線性模型是將像元在其中一個波段的光譜反射率表示為含有特定比例的各個Endnumber反射率的線性組合[11]。

Riλ=∑nK=1fKi+εiλ

∑nk=1fki=1（k=1，2，3…n）

式中：Riλ為λ波段的I像素的光譜反射率（已知），fki被稱為對應于I像素的K端元的值（未知）;εiλ為殘差值;n為基本組分數目。通過提取出的Endnumber的光譜特征值，然后求解線性方程組即可求得Endnumber在像元中所占的面積比重，從而將所有像元進行分解。線性分解模型簡單、能對每個像元準確分類。因此本實驗采取線性分析模型對混合像元進行分解。

1.2.7終端單元（Endnumber）的初步確定

本文以塔河縣的HSI高光譜影像為數據源，提取塔河縣植被類型信息。根據研究區(qū)域從實地調查獲得的外業(yè)數據和非監(jiān)督分類圖像分析結果，初步確定研究區(qū)域內的植被類型為白樺、落葉松、樟子松、山楊、柞樹、云杉、楊樹、黑樺、柳樹，并選取這9種樹種類型作為終端單元（Endnumber）數目和類型，進行混合像元線性分解。

1.2.8HSI遙感數據MNF變換

高光譜數據的特點為：多波段、數據信息量大。為了得到更有效的數據，需要進行MNF（Minimum Noise Fraction）變換[12]。MNF變化通過對圖像的每一個波段做一定比例的擴展。在ENVI5.1軟件中，選擇Spectral—MNF Rotation—Forward MNF—Estimate Noise Statistics from Data進行MNF變換，并生成MNF影像以及特征值曲線。

1.2.9PPI算法提取終端單元

運用PPI（Pixel Purity Index）算法在高光譜遙感數據中更好地尋找高純度像元[13]。在Envi5.1中，運用MNF變換后的3個波段上進行PPI處理，并選擇光譜像素純度指數[FAST]新的輸出頻帶。閾值因子設置為2.5，迭代次數設置為1400次。選擇變換后的前兩個波段計算像素的純度指數，得到純像素指數[14]。PPI分布圖，如下圖5所示。得到的PPI圖像中的每個像元的DN值，DN值越高代表該像元的純凈度越高，在PPI圖像中表現(xiàn)為高亮度的區(qū)域[15]。這樣除了原始圖像中大部分不純凈的點，從而縮小了終端單元的選取范圍。通過在ENVI5.1菜單下Region of interest—Band threshold to ROI，閾值設定為10，提取純凈像元。

經過PPI算法處理之后，得出了終端單元在遙感影像中的位置如圖7，確定終端單元的類型還需通過N維可視化的方法。ENVI5.1軟件中的N維可視化工具是一個交叉式的N維散點圖繪制工具，能把N維散點圖轉換到2維空間中進行簡化分析，因此能夠使用N維可視化工具對圖像中所有波段進行交互式分析。

1.2.10利用端元進行分類

在分解求取混合像元的端元時，少數情況下端元矩陣是可以從光譜庫中挑選的端元光譜組成的。而在大多數的情況下，端元矩陣是一個未知變量?？梢赃x用盲元分解的方法，通過光譜間的內在聯(lián)系，根據影像來求解端元矩陣。在ENVI5.1中，Spectral—Mapping Method—Liner Spectral Unmixing打開分類圖像，在端元中選擇器中打開光譜庫，參數設定為0.1，得出分類的結果圖7。

2結果與分析

樹種組成分析。樹種組成是描述植被群落分布以及生態(tài)系統(tǒng)組成的重要參數，在森林資源管理、生物多樣性的研究中以及實際生產應用都有十分重要的意義。由塔河地縣的植被分布圖可以看出，白樺和落葉松數量居多，大部分分布在塔河縣的中部以及西北部;樟子松大部分分布在塔河縣的西南角;山楊則是主要分布在東北角;柞樹、云杉、楊樹、黑樺、柳樹的數量較少，零星地分布在塔河縣。通過像元統(tǒng)計可以得出各樹種所占森林的面積比例，各樹種在塔河地區(qū)森林中各植被所占比例如下表1所示。落葉松的面積比例最大，其次是白樺，而黑樺數量極少。由此得出白樺、落葉松、樟子松和山楊研究是區(qū)域的主要樹種，組成了塔河縣的優(yōu)勢樹種群。

精度檢驗及對比。本文基于HSI高光譜遙感數據，利用非監(jiān)督分類法和混合像元分解來定量解算塔河縣的森林類型，并分別做精度檢驗，對比兩者分類的優(yōu)勢。對于非監(jiān)督分類法采用混淆矩陣來檢驗分類精度。本實驗運用ENVI5.1軟件輸出評價的混淆矩陣圖，計算得出本次分類精度為70.87%，Kappa = 0.742，分類結果基本符合要求。

對于混合像元的精度檢驗，以二類調查數據為基礎，找出均勻分布在研究區(qū)域內的50個樣本數據與分類坐標匹配，用分類正確的像元除以總的樣本計算分類精度，得出精度為76.87%，明顯高于非監(jiān)督分類法分類結果精度。

運用混合像元分解的方法進行森林類型分類定量解算，取得了較好的效果。對研究區(qū)進行混合像元分解得到落葉松、樟子松、白樺和山楊等樹種的分布圖以及各樹種所占比例表，通過與森林資源二類調查數據各植被面積比相比較，得出落葉松、樟子松、白樺和山楊的分類面積大于實際面積，而其他的都比實際面積偏小。

3結論與討論

通過對大興安嶺地區(qū)塔河縣的樹種在空間上進行定量的分析和估算。得出基于100 m×100 m分辨率的HSI高光譜遙感影像，利用監(jiān)督分類法和混合像元線性模型分解提取塔河地縣植被分布圖，并針對兩種不同的方法進行精度檢驗，分析混合像元線性模型提取植被類型的優(yōu)點與不足。

從植被分布圖和面積比例可以得出研究區(qū)域內優(yōu)勢樹種為落葉松、白樺和樟子松，主要分布在西北部和中部;從樹種的種類可以得出塔河縣的樹種類型多樣，樹種分布以某種類型集中分布，分布不均勻，有利于樹種的優(yōu)勢性發(fā)展，但不利于樹種的多樣性發(fā)展。

通過對分監(jiān)督分類法與混合像元線性模型分解法進行精度檢驗，結果表明利用混合像元線性模型分解的方法進行植被類型提取精度更高，分類結果更有效，證明本次研究是有意義的。

端元的選擇和反射率的求解是混合像元分解的關鍵所在，本文利用PPI算法對純凈像元進行篩選，將PPI值較大的像元視為終端單元，并對終端單元提取其光譜特征值。這種利用影像自身來提取樹種的光譜特征，提取植被類型，減小了野外工作量。但是通過對混合像元線性模型分解后的每一植被類型的分類面積進行統(tǒng)計并與實際數據對比得出：像元比例大的樹種如落葉松、樟子松、白樺和山楊分類面積大于實際樹種。而其他的都比實際面積偏小。這是因為像元比例大的樹種在研究區(qū)域內分布廣，像元比例大的植被對周圍植被的光譜特征值影響大，在進行純凈像元提取和端元分類時會把周圍植被歸為同一類，致使分類結果失真。

綜上所述，混合像元線性分解的方法簡單可行，能保證一定的精度，在高光譜、低分辨率的遙感影像分類研究方面具有一定的意義。但由于存在同物異譜、同譜異物現(xiàn)象，光譜的混合過程可能不止存在簡單線性組合關系，也可能存在復雜的線性模型在做線性模型分解時可能會產生遺漏現(xiàn)象;另一方面遙感圖像某些地方可能被云、霧覆蓋，無法提取像元值，對分類的結果產生了影響;在端元的選擇上，選取端元的類型和數量具有一定的主觀性，可能有的樹種類型端元多選、有的少選;按PPI計算提取的像元中包含混合像元，影響終端單元的選取，影響分類精度。針對以上不足之處，有待深入研究。

參考文獻：

[1]許菡.遙感影像混合像元分解新方法及應用研究[D].北京：首都師范大學，2013.

[2]聶明鈺.高光譜圖像線性解混算法研究[D].煙臺：山東大學，2016.

[3]鈕立明，蒙繼華，吳炳方，等. HJ-1A星HSI數據2級產品處理流程研究[J].國土資源遙感，2011 （1）：77-82.

[4]隋堃.大興安嶺塔河縣森林火災面積演變特征研究[D].哈爾濱：東北林業(yè)大學，2014.

[5]顧曉鶴，王堃，潘瑜春，等.基于HJ1A-HSI超光譜影像的耕地有機質遙感定量反演[J].地理與地理信息科學，2011，27（6）：69-73.

[6]郭芬芬，范建容，湯旭光，等.基于HJ-1A高光譜數據的藏北高原草地分類方法對比[J].遙感信息，2013（1）：56-57.

[7]鈕立明，蒙繼華，吳炳方，等. HJ-1A星HSI數據2級產品處理流程研究[J].國土資源遙感，2011 （1）：77-82.

[8]李俊明.基于HJ-1A高光譜遙感樹種識別研究[J].東北林業(yè)大學學報，2013，23（5）：113-117.

[9]惠巍巍.高光譜混合像元的分解及地物分類的研究[D].哈爾濱：東北林業(yè)大學，2007.

[10]耿修瑞，趙永超，周冠華.一種利用單形體體積自動提取高光譜圖像端元的算法[J].自然科學進展，2006（9）：1196-1200.

[11]郭山，袁路，孫衛(wèi)東.基于特征端元提取的像元分解方法[J].高技術通訊，2008（10）：89-91.

[12]汪重午.基于高光譜線性混合模型的地質勘查研究[D].成都：成都理工大學，2015.

[13]劉翔，張兵，陳冬梅.一種改進高光譜圖像噪聲評估的MNF變換算法[J].中國科學，2009，39（12）：1305-1313.

[14]李二森.高光譜遙感圖像混合像元分解的理論與算法研究[D].鄭州：解放軍信息工程大學，2011.

[15]周昕.高光譜遙感圖像混合像元分解算法研究[D].杭州：浙江大學，2015.